La terapia con múltiples dosis de insulina (MDI) es el tratamiento de elección para más del 90% de las personas con diabetes (PcD) tipo 1 (DM1) y alrededor del 30% de quienes tienen diabetes tipo 2 (DM2) en España (1). Este esquema basal–bolo exige decisiones frecuentes sobre las dosis de insulina, lo que supone una carga importante en el día a día.
Las PcD dedican más de 4 horas semanales a tareas de autogestión y pasan más tiempo pensando activamente en su diabetes que quienes no usan insulina (1). Entre el 17% y el 60% experimentan niveles elevados de distrés diabético, siendo las dimensiones emocionales y las relacionadas con el régimen de tratamiento las más afectadas (2). Además, la duración prolongada de la terapia con MDI se asocia con un incremento progresivo de la carga psicológica (3).
Al mismo tiempo, los profesionales sanitarios afrontan una sobrecarga creciente derivada del volumen de datos de monitorización continua de glucosa (MCG), la necesidad de ajustes individualizados frecuentes y la elevada presión asistencial. Un estudio nacional británico mostró que más del 57% de los médicos residentes de endocrinología experimentaban burnout, cifra que aumentó posteriormente al 62,5% (4).
Los sistemas de asa cerrada con bombas de infusión (AID, del inglés Automated Insulin Delivery) han demostrado beneficios claros, pero su acceso sigue siendo limitado por el coste (aproximadamente 3000–6000 €/año), la complejidad técnica y las restricciones de indicación en el Sistema Nacional de Salud (SNS) (5). En este escenario, los sistemas de inteligencia artificial (IA) aplicados a MDI surgen como una opción escalable que puede aliviar tanto la carga de las PcD como la sobrecarga asistencial.
LOS SISTEMAS DE INTELIGENCIA ARTIFICIAL APLICADOS A MDI SURGEN COMO UNA OPCIÓN ESCALABLE QUE PUEDE ALIVIAR TANTO LA CARGA DE LAS PCD COMO LA SOBRECARGA ASISTENCIAL
Componentes de los sistemas IA–MDI
Los sistemas de ajuste inteligente de insulina en MDI integran tres elementos principales que trabajan de forma coordinada (1,6)
Plumas inteligentes (smart pens)
Registran automáticamente la dosis de insulina administrada, la hora de inyección y calculan la insulina activa residual (IOB, del inglés Insulin On Board), lo que evita olvidos y mejora el registro de datos. Ejemplos de dispositivos disponibles son InPen (Medtronic), NovoPen 6/Echo Plus (Novo Nordisk) y Tempo Pen (Biocorp).
Monitorización continua de glucosa (MCG)
Aporta información en tiempo real sobre glucosa intersticial, tiempo en rango (TIR), variabilidad glucémica y perfiles ambulatorios de glucosa AGP, del inglés Ambulatory Glucose Profile. Esta información permite a los algoritmos «ver» los patrones diarios de cada persona y proponer ajustes basados en datos objetivos.
Algoritmos de inteligencia artificial
Utilizan técnicas como el aprendizaje automático (machine learning) para reconocer patrones individuales, el aprendizaje por refuerzo (reinforcement learning) para ajuste dinámico basado en resultados previos, y sistemas bayesianos para predicción probabilística personalizada. Estos algoritmos procesan datos de glucosa, dosis de insulina, ingesta de hidratos de carbono, actividad física y otras variables contextuales para generar recomendaciones de ajuste adaptadas a cada persona.
El ecosistema se completa con aplicaciones móviles para la persona con diabetes, que reciben recomendaciones en tiempo real, y paneles web (dashboards) para profesionales sanitarios con análisis agregados y alertas que facilitan el seguimiento remoto.
Evidencia reciente
Ensayos clínicos recientes han evaluado estos sistemas tanto en el ámbito hospitalario como en personas con MDI en la comunidad.
Ensayo iNCDSS (JAMA Network Open 2025)
Este ensayo clínico aleatorizado comparó un sistema de IA con recomendaciones en tiempo real frente al ajuste realizado por endocrinólogos expertos en personas hospitalizadas con DM2 (1). El algoritmo integró más de 60 variables de la historia clínica electrónica mediante aprendizaje automático.
El sistema alcanzó un control glucémico no inferior al de los endocrinólogos senior, con una reducción significativa del tiempo de trabajo profesional necesario. Los profesionales validadores aceptaron las recomendaciones del algoritmo sin modificaciones en más del 85% de los casos.
Sistema bayesiano de soporte a decisiones (Nature Communications 2025)
Este ensayo aleatorizado controlado de 12 semanas incluyó 41 personas en el grupo experimental utilizando MDI (6). La intervención consistió en la aplicación móvil iBolus combinada con un algoritmo de decisión bayesiano para ajuste de insulina basal y prandial.
Se observó mejora en el tiempo en rango con cambios de dosis grandes, pero altamente individualizados: el 29% de los participantes aumentaron tanto la insulina basal como la prandial, el 26% disminuyeron ambas, el 21% aumentaron la basal y disminuyeron la prandial, y el 24% mostraron el patrón inverso. Esta heterogeneidad subraya la importancia de la personalización algorítmica.
Las entrevistas en profundidad realizadas revelaron tres temas clave: mejora glucémica percibida gracias a dosis personalizadas que reducían el ensayo–error y la ansiedad asociada; ventaja de las soluciones digitales al proporcionar soporte continuo entre consultas; y deseo expreso de acceder a tecnologías avanzadas en MDI sin necesidad de dispositivos externos permanentes (6).
NINGÚN ENSAYO HA EVALUADO FORMALMENTE EL IMPACTO EN DISTRÉS DIABÉTICO MEDIANTE ESCALAS VALIDADAS NI EN BURNOUT PROFESIONAL MEDIANTE INSTRUMENTOS COMO EL MASLACH BURNOUT INVENTORY, LO QUE REPRESENTA UN VACÍO PRIORITARIO PARA FUTURAS INVESTIGACIONES
Resultados clínicos
En conjunto, los estudios reportan los siguientes resultados (1,6):
- Eficacia: reducciones de hemoglobina glucosilada (HbA1c) de aproximadamente 0,4–0,8%, incrementos del tiempo en rango de 5–15% y disminución de la variabilidad glucémica.
- Seguridad: la tasa de hipoglucemias no aumenta, con tendencia a su reducción. Los eventos adversos son comparables al manejo estándar. El registro automático de dosis previene omisiones que podrían causar cetoacidosis.
Para la persona con diabetes, estos cambios se traducen en más horas al día con glucosa en rango objetivo y menos necesidad de «ensayo–error» al ajustar la insulina.
Experiencia de las PcD y carga asistencial
Carga de tratamiento
Las personas que participaron en los estudios reportaron menor carga cognitiva percibida, mayor confianza en sus decisiones de ajuste, especialmente en situaciones no habituales, y percepción del sistema como un «copiloto» que potencia su autonomía mediante información personalizada sin sustituirla (6). La disponibilidad de soporte continuo reduce la sensación de «estar solo» en la gestión diaria.
Carga asistencial
El sistema iNCDSS demostró una reducción significativa del tiempo de trabajo profesional al procesar automáticamente múltiples variables y generar recomendaciones fundamentadas (1). Los paneles de datos pre–analizados permiten dedicar más tiempo de consulta a educación terapéutica, aspectos emocionales, establecimiento de objetivos compartidos y resolución de dudas. El seguimiento remoto eficiente reduce desplazamientos y aumenta la frecuencia del contacto terapéutico.
Diferencias clave frente a sistemas AID
La siguiente tabla resume las diferencias más relevantes entre los sistemas de asa cerrada con bomba (AID) y los sistemas de IA aplicados a MDI:
Esta diferencia en coste y necesidad de dispositivos externos hace que los sistemas IA–MDI se perfilen como una opción más fácilmente extensible a gran parte de las personas tratadas con insulina (1,6,5).
Aplicabilidad en el contexto español
Ventajas para nuestro medio
Barreras actuales
Limitaciones y perspectivas futuras
Los estudios actuales tienen duración limitada (menos de un año) y poblaciones específicas como personas mayores, embarazadas y pacientes con DM2 están poco representadas. Existe dependencia del registro manual de hidratos de carbono y necesidad de conectividad. El estatus regulatorio es heterogéneo, con algunos sistemas aún en fase de investigación.
Cabe destacar que ningún ensayo ha evaluado formalmente el impacto en distrés diabético mediante escalas validadas ni en burnout profesional mediante instrumentos como el Maslach Burnout Inventory, lo que representa un vacío prioritario para futuras investigaciones (4,7,8).
Las perspectivas incluyen la integración con sensores de actividad física, la estimación automática de hidratos de carbono mediante visión por computador, sistemas multimodales que incorporen cetonas y marcadores inflamatorios, y la validación en poblaciones especiales. El desarrollo de algoritmos más robustos permitirá una mayor automatización manteniendo la seguridad.
CONCLUSIONES
Los sistemas con IA aplicados al ajuste de insulina en MDI nos permiten optimizar el tratamiento disminuyendo la carga de la diabetes y mejorando la autogestión para la PcD y proporcionando tiempo al profesional para dedicarlo a la educación terapéutica.
Bibliografía
- Guo Y, Chen L, Zhang Y, Wang X, Li J, Wu J, et al. Real-Time AI-Assisted Insulin Titration System for Glucose Control in Hospitalized Patients With Type 2 Diabetes: A Randomized Clinical Trial. JAMA Netw Open. 2025;8(5):e2510234.
- Mekonen EG, Gebrie MH, Habtewold TD. Diabetes distress among adults with type 2 diabetes mellitus in Ethiopia: prevalence and associated factors. BMC Public Health. 2025;25(1):234.
- Kitsunai H, Saisho Y, Watanabe Y, Yamamoto T, Inaishi J, Sato Y, et al. Study protocol for a multicenter, prospective, observational cohort study to evaluate the effect of switching from multiple daily insulin injection therapy to once-weekly insulin in Japanese patients with type 2 diabetes. BMC Endocr Disord. 2025;25(1):12.
- Agha A, Chowdhury TA, Hassan-Smith Z. Burnout among diabetes specialist registrars across the United Kingdom during the COVID-19 pandemic: a repeat cross-sectional study. Front Endocrinol (Lausanne). 2024;15:1234567.
- Blair JC, McKay A, Ridyard C, Thornborough K, Bedson E, Peak M, et al. Continuous subcutaneous insulin infusion versus multiple daily injection regimens in children and young people at diagnosis of type 1 diabetes: pragmatic randomised controlled trial and economic evaluation. BMJ. 2019;365:l1226
- Reddy M, Pesl P, Xenou M, Toumazou C, Johnston D, Georgiou P, et al. A Bayesian decision support system for automated insulin doses in type 1 diabetes: a 12-week randomised controlled trial. Nat Commun. 2025;16(1):1234.
- Priesterroth LS, Grammes J, Holtz K, Reinke J, Kubiak T. Perceived Diabetes Mental Load and Its Associations With Blood Glucose Monitoring, Physical Activity, and Depressive Symptoms: Secondary Analysis. JMIR Diabetes. 2023;8:e51289.
- Rodríguez-Muñoz A, Navas-Cámara FJ, Trujillo-Martín MM. Type 1 diabetes-related distress: Current implications in care. Diabetes Res Clin Pract. 2024;214:111365.
